CAD 형상 정보를 활용한 딥러닝 기반 구조물 고유진동수 예측

키워드

확장요약문

시뮬레이션 기반 설계 및 최적화에서는 다수의 설계 후보에 대한 반복적인 성능 평가가 요구되므로, 구조물의 진동 특성을 신속하게 예측하는 기술이 중요하다. 일반적으로 고유진동수와 같은 진동 특성은 유한요소해석을 통해 평가되지만, 다수의 설계안을 반복적으로 검토하는 과정에서는 상당한 계산시간이 요구된다. 본 연구에서는 자동차 휠의 CAD 형상 정보를 직접 활용하여 고유진동수를 예측하는 그래프 신경망(Graph Neural Network, GNN) 기반 딥러닝 모델을 제안한다. CAD 형상의 경계표현(Boundary Representation, B-rep)으로부터 면과 모서리의 기하학적 특성 및 연결관계를 추출하여 그래프로 구성하고, 이를 통해 휠 형상과 고유진동수 사이의 관계를 학습하였다. 다양한 형상을 갖는 자동차 휠 CAD 모델을 대상으로 휠의 주요 진동 특성을 나타내는 7차 및 11차 고유진동수를 예측하였으며, 유한요소 모달해석 결과와 비교하여 예측 성능을 평가하였다. 그 결과, 제안한 모델은 다양한 휠 형상에 대해 높은 예측 정확도를 나타냈으며, 별도의 설계변수 정의 없이 CAD 형상 정보만으로 자동차 휠의 고유진동수를 예측할 수 있음을 확인하였다. 이를 통해 제안 방법이 다수의 설계안을 신속하게 평가하기 위한 딥러닝 기반 진동 성능 예측 및 설계지원 기술로 활용될 수 있음을 확인하였다.